[发明专利]一种通过SVM文本挖掘处理数据的FMECA方法

权利要求书

1.一种通过SVM文本挖掘处理数据的FMECA方法，其特征在于，包括以下步骤：

S1、数据准备：搜集用于FMECA分析的故障数据，并将其导入FMECA分析软件；

S2、数据整理：将不利于模型建立的数据删除；

S3、数据预处理：将整理的非结构化数据处理成能够用于SVM分析的结构化数据；

S4、样本分类：选取部分经过预处理的数据作为训练样本，用于分类模型建立，余下部分为测试样本，用于测试模型的准确度；

S5、建立预测模型：通过训练样本建立预测模型，使数据通过预测模型预测输出故障模式；

S6、验证模型，修改参数：通过测试样本验证建立预测模型的准确度，修改参数调整出最佳模型；

S7、完善FMEA：分析找出的每个故障模式对应的原因、概率等级、产生的影响、故障检测方法、改进措施，再按照FMECA指标计算严酷度和风险优先数；

S8、生成FMEA报告表：根据分析结果生成FMEA报告表；

S9、生成CA报告表：根据风险优先数生成CA报告表。

2.根据权利要求1所述的通过SVM文本挖掘处理数据的FMECA方法，其特征在于，所述步骤S1具体实现方法为：在R语言中载入rJava、xlsxjars和xlsx三个包，通过read命令将数据导入到R语言软件中；如果是中文数据，则将encoding参数设置为“UTF-8”。

3.根据权利要求1所述的通过SVM文本挖掘处理数据的FMECA方法，其特征在于，所述步骤S2具体实现方法为：将出现的频次只有1或2的数据删除。

4.根据权利要求1所述的通过SVM文本挖掘处理数据的FMECA方法，其特征在于，所述步骤S3包括以下子步骤：

S31、转化数据类型：将原始数据转化成字符型数据；

S32、分词处理：将字符型数据进行分词处理，转化成词集数据；

S33、建立语料库：根据分词处理过后的词集数据创建语料库，用于存储数据；

S34、清洗数据：将没有任何意义的词语删除；

S35、建立TMD矩阵：将清洗过后的数据转化成TMD矩阵，矩阵的行表示文本数据的标签，列表示特征元；

S36、降维去噪：通过删除稀疏词条来达到降维去噪的目的。

5.根据权利要求1所述的通过SVM文本挖掘处理数据的FMECA方法，其特征在于，所述步骤S4具体实现方法为：将预处理的数据分成两个数据集，其中一个作为训练集用来建立预测模型，一个作为测试集用来检验模型的准确度；根据文本的数量尽心分类，取总样本的70～90％作为训练集，余下的为测试集。